基于角点检测的图像局部特征识别

阮文惠,黄 珍

(兰州文理学院 数字媒体学院,甘肃 兰州 730000)

0 引 言

计算机图像处理技术的发展对图像的识别准确率提出了更高的要求。图像识别广泛应用在目标打击、地质物探、远程成像以及人脸特征提取等领域.图像识别建立在对图像的超像素特征提取基础上,结合图像的动态信息重构和图像像素融合方法,进行图像的纹理信息和角点信息采集,对采集的图像特征量进行动态识别。超分辨图像识别中受到图像的像素差异特征的干扰,导致图像的识别能力较差，所以研究超分辨图像的优化特征识别技术具有重要意义[1]。

对超分辨图像的识别方法主要有仿射不变矩特征提取方法、纹理检测方法、灰度直方图识别方法及角点特征识别方法等[2-4]。文献[5]提出一种基于灰阶量化特征分解的图像识别方法,结合多维信息重构方法进行图像的边缘轮廓特征提取,采用模糊神经网络进行超分辨图像识别训练,该方法受到图像的纹理信息干扰较大,识别的准确性不高;文献[6]中提出一种基于卷积神经网络的超分辨图像特征提取技术,采用连续模板匹配技术进行超分辨图像的边缘轮廓检测,对提取的超分辨图像视频监测图像进行外接轮廓矩形网格分割,根据分割结果进行图像识别,但该方法进行图形识别特征分辨能力不好。

针对上述问题,给出一种基于角点检测的图像局部特征识别方法,采用细节特征定位方法进行图像的局部信息采样,对采样的图像特征信息采用灰度直方图重构方法进行图像的三维重建,结合边缘轮廓特点融合方法进行图像的局部边缘轮廓特征提取,采用Harris角点检测方法,提取图像的局部信息特征量,对提取的特征量采用卷积神经网络进行分类,实现对超分辨图像的局部特征识别。最后通过仿真实验对比分析了本文方法在提高图像特征识别准确率方面的优越性能。

1 超分辨动态监测成像及滤波处理

1.1 自适应成像方法

在进行图像的超分辨动态监测采集中,采集的图像具有低像素级模糊性,导致对图像的特征识别性能不好,通过对超分辨动态监测图像的特征提取,构建超分辨动态监测图像的特征分析模型,采用分块匹配方法进行超分辨动态监测图像的模板匹配和特征提取分析,运用尺度分割和信息融合分析方法进行模糊超分辨动态监测图像滤波处理,根据图像的动态边界特征点进行状态检测和识别,提高图像特征识别的准确率。对超分辨动态监测的图像画面进行数字帧扫描和角点检测[7-8],图像扫描采用帧检测方法,对每帧超分辨图像进行边缘信息融合处理,得到三维扫描超分辨动态监测图像的初始像素值,然后通过三维重构技术进行图像的全息投影,在灰度像素空间中,得到图像相邻相位补偿的归一化像素值为

P(i,j)(i∈[0,int(W/2)-1]

j∈[0,int(H/2)-1])

(1)

式中:i为图像边缘信息;j为灰度信息,W为领域像素点;H为无关像素点。在已知的整数级视差范围内,通过小波特征分割方法,获得超分辨动态监测三维图像的亚像素级视差,为

Eimage(Vi)=I(xi-1,yi+1)+

2I(xi,yi+1)+

I(xi+1,yi+1)

(2)

式中:V为多尺度领域；I为三维超分辨动态监测图像重构的梯度模;x为图像区域内部点；y为图像边缘角点。由此完成了超分辨动态监测三维图像的数字帧扫描和边缘特征检测。采用灰度直方图重构方法进行图像的三维重建[9-10],基于图像灰度投影得到超分辨动态监测的帧分布函数为

(3)

式中:t表示局部信息;ω表示图像像素间距;μ表示像素取样点;v表示图像边缘信息;α表示邻域像素点。采用数字画面稳像技术[11-12]对超分辨动态监测的跳频特征点进行稳像匹配,结合区域轮廓检测方法,得到图像的轮廓长度为

E=θELBF+(1-θ)E+vL(φ)+μP(φ)

(4)

式中:θ为每个像素灰度像素点;φ为无关像素点;L为特征点匹配和灰度像素点分割线;ELBF为超分辨动态检测图像的边缘尺度;P为特征点信息与灰度像素点的分割线。

把待识别图像归入特征分块子空间中,得到超分辨图像的局部几何像素输出为

I(x)=J(x)t(x)+A(b-t(x))

(5)

式中:A为在不同成像区域内超分辨图像的分块像素集;b为超分辨图像的本征向量；t(x)为超分辨图像的本征向量;J(x) 为超分辨图像的像素强度。 由此实现超分辨动态监测图像的自适应成像处理[13-14]。

1.2 图像边缘轮廓检测

在进行超分辨图像的分块处理和模板匹配基础上,根据一组超分辨图像训练样本构造主特征向量空间,采用模板匹配方法进行超分辨图像的边缘轮廓检测[15-16],对提取的超分辨图像视频监测图像进行几何形状分割,得到超分辨图像边缘轮廓区域分布估计值为

(6)

式中:w为容差；g为以像素点i为中心的超分辨图像的仿射不变区域分割。

(7)

采用统计分析方法进行超分辨图像局部区域重构[18-19],根据超分辨图像的轮廓信息,超分辨图像变尺度直觉模糊集表示为

Sgif(x,y)=-log(Pif(x,y))

(8)

式中：(x,y)和Pif(x,y)分别表示特征点的几何不变矩和灰阶量化矩。

局部图像的灰度信息分量为

(9)

式中:a为图像临近点;V为多尺度邻域;m为邻域最大值;n为邻域最小值。令Ix为多分辨的模糊超分辨动态监测图像。

根据超分辨图像在三维空间中的旋转尺度[20],得到超分辨图像的几何离散度为

ψa,b(t)= [U(a,b)ψ(t)]=

(10)

式中:U为像素点的局部分布信息熵；t为图像的平滑项。根据上述分析,结合边缘轮廓特点融合方法进行图像的局部边缘轮廓特征提取,进行图像特征识别。

2 图像局部特征识别算法优化

2.1 特征量提取

运用细节特征定位方法进行图像的局部信息采样, 对采用灰度直方图重构方法采样的图像特征信息进行图像的三维重建, 然后进行图像局部特征识别算法的改进设计。 对扫描输出的特征点采用帧补偿方法, 得到超分辨动态图像的灰度像素点分割结果。

对超分辨动态监测的图像画面进行数字帧扫描和角点检测,对扫描输出的特征点采用帧画面相邻相位补偿方法进行动态特征提取,得到图像重构的特征方程，描述为

(11)

式中：θ(λ)为Heaviside函数。给定δ(φ)为稀疏正则项,用亚像素级匹配方法进行局部特征定位,采用Harris角点检测方法,实现对图像的局部信息特征量提取。

2.2 图像的卷积神经网络识别

采用Harris角点检测方法,提取图像的局部信息特征量,对提取的特征量采用卷积神经网络进行分类。在神经网络的隐含层引入自适应调节向量X(x1,x2,…,xn),用一个二元梯度函数C={(x,y)∈Ω:φ(x,y)=0}表示神经网分类器的隐含层调节状态参量,利用图像的梯度信息进行自适应加权学习,用N(i)表示超分辨动态监测三维图像像素点i的直接四邻域,把Harris角点检测结果输入到卷积神经网络分类器中,输出待识别超分辨图像数据库中的测试样本y和训练样本集D。

结合边缘轮廓特点融合方法进行图像的局部边缘轮廓特征提取,根据神经网络分类结果,提取图像的局部信息特征量,对提取的特征量采用卷积神经网络进行分类,得到图像分类输出为

(12)

式中:ε表示图像种类信息;z表示图像边缘像素相似点;R表示边缘像素点总和。

综上所述,运用Harris角点检测方法完成了对图像局部特征的识别。

3 仿真实验分析

为了测试本文方法在实现图像的局布特征提取和识别中的应用性能,进行仿真实验。实验采用Matlab 7 设计,卷积神经网络分类的输入层节点数为12,输出层的节点数为3,隐含层的学习权重系数为0.24,图像特征提取的迭代次数为200,图像样本规模集为130,训练集为25,色差核大小为15×15,初始像素集为200×300,根据上述仿真环境设定,进行仿真实验。实验以图像局部特征识别耗时和图像局部特征识别准确率为指标测试传统方法与本文方法在识别性能上的差异,图1为传统方法与本文方法在图像局部特征识别时所用时间对比图。

图 1 不同方法下图像局部特征识别用时对比Fig.1 Time consumption comparison of image local feature recognition with different methods

根据图1可知,当图像数量为5个时,采用本方法进行超分辨图像的局部特征识别时所用时间为18 s,文献[5]方法的用时为60 s;当图像数量为25个时,采用本方法进行超分辨图像的局部特征识别时所用时间为10 s,文献[5]方法的用时为84 s。分析上述数据可知,采用本方法进行超分辨图像的局部特征识别时所用时间远远低于传统方法,说明该方法的识别速率高,可应用性强。

测试不同方法的图像识别准确率,得到对比结果，如图2所示。

从图2可知,运用本方法对图像进行识别时准确率在60%～80%之间,运用文献[5]方法对图像进行识别时准确率在35%～60%之间,运用文献[6]方法对图像进行识别时准确率在25%～40%之间。分析上述数据可知,本方法将图像局部特征识别的准确性提升了20%以上,可以实现对图像局部特征的准确识别。

图 2 图像局部特征识别准确率对比Fig.2 Accuracy comparison of image local feature recognition

4 结 语

为解决传统方法不能对图像局部特征进行有效识别的问题,给出一种基于角点检测的图像局部特征识别方法。图像识别是建立在对图像超像素特征提取的基础上,结合图像动态信息重构和图像像素融合的方法,进行图像纹理信息和角点信息采集,并对采集的图像特征量进行动态识别,以此来提高图像检测能力。分析实验结果得知,运用本方法进行图像局部特征识别时准确率远高于传统方法,说明其识别性能较好。未来将主要针对图像识别抗干扰方面对图像局部特征的识别方法进行研究,争取通过提升图像局部特征识别的抗干扰性来进一步完善本文方法。